BSPs from JPL can now be downloaded independently

[glaubervila]

O pipeline de predição foi alterado para utilizar o BSP JPL previamente baixados.

• Foi adicionado uma nova pasta de inputs (no ambiente local data/asteroids) nesta pasta ficaram os arquivos bsps organizados em diretórios por asteroid.
• O pipeline foi alterado para verificar a existencia do BSP nesta pasta, e verificar se o BSP tem o periodo necessário para execução.
• Foi adicionado variaveis de ambiente para permitir que este diretório funcione corretamente em testing e production.
• Foi criado um script que permite fazer o download dos bsp, utilizando o mesmo sistema de filtro do portal filter_type e filter_value. este script verifica se o BSP já foi baixado e se é valido e só depois faz o Download. podendo ser interrompido e continuar novamente sem baixar tudo de novo.

Para Testar é necessário:

• Build do container de backend.
• Build do container de predição.
• Editar o arquivo docker-compose.yml local e adicionar um novo volume ao container de predição.

    volumes:
      - ${TNO_PROJ_DIR:-.}/predict_occultation:/app
      - ${TNO_PROJ_DIR:-.}/data/predict_occultations:/app/outputs/predict_occultations
      - ${TNO_PROJ_DIR:-.}/data/asteroids:/app/inputs/

• Editar o arquivo .env e adicionar uma nova variavel

# Predict Occultation Pipeline
# -------------------------------------
PARSL_ENV=local
PREDICT_OUTPUTS=/app/outputs/predict_occultations
PREDICT_INPUTS=/app/inputs/

• Reiniciar o ambiente e verificar se tudo foi ligado corretamente.

Antes de rodar o pipeline é necessário fazer o Download dos BSPs.
Com o container da predição ligado execute o comando python src/download_bsp_jpl.py: Os parametros são:

• -s : Data de inicio do BSP
• -e : Data final do BSP
• -t : filter_type igual ao do portal podendo filtrar por name, dynclass, base_dynclass.
• -v : filter_value também igual ao do portal é recomendado utilizar aspas no value pq os nomes dos asteroids possuem espaços ou caracteres especiais.

docker compose exec predict_occultation bash --login -c "source /app/src/env.sh && python src/download_bsp_jpl.py -s 2024-01-01 -e 2026-01-01 -t name -v '2015 HB387'"

Após a execução do comando o diretório data/asteroids vai ter uma subpasta para cada asteroid e dentro dela 3 arquivos o .bsp, apmag_and_uncertainties.json e um bsp_jpl_info.json com os dados do BSP como periodo, tamanho e data de download (este arquivo vai ser usado pelo pipeline também).

Após o Download basta criar um job de predição para o mesmo grupo de asteroids e utilizar um periodo que esteja dentro do start e end do BSP.